简短回答

政府 AI 试点成功而部署失败，是因为试点测试的是模型，而部署测试的是集成——商业 SaaS AI 假定存在现代 API、集中式云身份和宽松的数据流动，而政府机构并不具备这些条件。真正有效的是前沿部署工程：工程师深入机构内部，集成实际存在的遗留系统，交付机构拥有的源代码。使用 ibl.ai，您拥有全部代码和数据。

我们反复看到的模式是：漫长的采购、持续数月的试点、一份新闻稿，然后采用率远低于预期。这一序列是我们自己的观察，而非已发表的研究结论。其中的试点并非不诚实——它只是衡量了错误的东西。

为什么成功的政府 AI 试点未能转化为部署？

因为试点消除了决定部署能否成功的每一个变量。

试点在精心挑选、积极性高的团队中进行，使用经过整理或导出的数据，出问题时还有厂商工程师随时待命。在这些条件下，它证明的是模型有能力——而这几乎从来不是悬而未决的问题。

部署则必须触及机构工作实际所在的系统，遵循机构实际使用的身份模型，受制于机构在法律上必须遵守的数据边界，并且要供那些并非自愿参与的员工使用。

这些条件没有一个在试点中得到检验，而其中任何一个都可能让推广搁浅。

因此，试点的成功并不能作为部署的证据。 它只是关于模型的证据，针对的是一个早已解决的问题。随后令人失望的采用率数字并非意外结果；它才是第一次真正的测量。

这种模式并非政府独有。

Adobe 与 Incisiv 在 2026 年对 528 名金融服务高管的调查发现，每 100 个拟议的 AI 用例中只有 15 个进入生产环境——同样的从试点到生产的崩塌，发生在基础设施远为现代、且没有采购法规可归咎的行业。

商业 AI 平台做了哪些政府系统无法满足的假设？

四个，而且每一个都至关重要。

  • 现代 API 和数据基础设施。 商业连接器假定存在有文档记录的 REST 端点。政府系统中很大一部分记录系统已有数十年历史，采用大型机集成和专有格式，任何厂商的连接器目录都无法预见。
  • 集中式、云原生的身份体系。 政府机构运行 PIV/CAC 身份验证、物理隔离飞地以及 IL4/IL5 安全要求。一个身份模型假定存在云 IdP 的平台在这里不只是稍有不便；而是根本无法适用。
  • 宽松的数据流动。 大多数 SaaS AI 的架构是把数据带到模型。政府机构往往根本无法移动数据——这不是政策偏好，而是法律约束。
  • 供应商持续推送更新。 在商业环境中，静默更新是一项功能。在运行授权制度下，对生产系统的未经公告的变更则是一起合规事件。

这些并非供应商通过在标准产品上附加专业服务包就能弥补的缺口。它们决定了标准产品能否在这样的环境中存在。

前沿部署工程在政府语境中究竟意味着什么？

它意味着集成工作本身就是这项业务，而不是在签订合同之前就被假设掉的问题。

在实践中：工程师在机构的实际环境中工作，而不是把产品交付进去。他们集成实际存在的遗留系统——案件管理系统、大型机、文档存储库——而不是连接器目录所假设的系统。

他们使用机构现有的真实身份基础设施，而不是要求将其替换。并且他们交付源代码，使机构拥有并能够运营所构建的系统。

对采购而言，关键在于：这是一次工程业务，而非一次购买。购买许可证的机构买到的是对由他人控制和维护的东西的使用权。而委托部署并将拥有该部署的机构，买到的是一项可以保留的能力。

为什么源代码所有权对政府机构比对公司更重要？

因为机构的义务比任何供应商关系都更长久，而且其中若干义务没有源代码就无法履行。

重新认证。 处于运行授权（ATO）之下的系统在变更时必须重新评估。拥有源代码的机构可以掌控这一时间表；不拥有源代码的机构则只能按照供应商的发布节奏进行重新认证。

连续性。 供应商会被收购、重新定价、停止产品。拥有并自行托管整套技术栈的机构可以在所有这三种情况下继续运营。不这样做的机构则存在一个无法快速解除的依赖，而且恰恰在最需要的时候。

可审计性。 当监察长或监督委员会询问系统如何处理公民数据时，“供应商说它是安全的”不是答案。阅读代码才是。

主权。 对于数据不能离开边界的工作负载，自行托管不是一种部署偏好，而是唯一合法的架构——而自行托管一个你没有源代码的东西，是一种狭窄而脆弱的安排。

AI 在联邦招聘中的应用与此有何关联？

它是当前最清晰的例子，说明对系统的控制为何比访问系统更重要。

2026 年 8 月 27 日，人事管理办公室发布了关于 AI 在联邦招聘中应用的政府范围指导意见，鼓励在起草职位说明和招聘公告、筛选简历以及支持资格和录用条件审查等方面更广泛地采用 AI。

AI 面试正在向部分联邦雇员招聘推广。

该指导方针比“AI 不能做决定”更为细致。根据 OMB M-25-21，凡 AI 输出是具有法律、重大或其他显著影响的决定的主要依据的用途，均被定为高影响用途。

这并非禁令：各机构必须实施最低限度的风险管理实践，或向其首席 AI 官申请豁免。其义务是保障措施和问责，而不是弃用。

只有当机构能够检查该系统时，这一义务才可能履行。

OPM 将若干用途视为通常不属于高影响——起草职位描述、任职资格要求、评估陈述和面试问题，因为这些通常不是决定的主要依据；以及在有人工审查或其他保障措施能独立核实录用决定的情形下对候选人进行筛选或评分。

正是官员的独立审查使某项用途成为非高影响用途，而不是对每一项用途的一刀切强制要求。

要证明 AI 并非决定的主要依据，需要知道系统评了什么分、基于哪些输入、在哪个模型版本下运行——只有当机构控制日志记录、按自身条件保留日志，并能在数月后决定受到质疑时重建该决定，这样的记录才会存在。

一个通过供应商托管黑箱运行招聘流程的机构，等于接受了一项它没有任何机制可以履行的义务。

ibl.ai 如何为政府进行部署？

通过让部署成果完全归机构所有。

使用 ibl.ai，你拥有全部代码和数据。

该平台部署在机构自己的基础设施上，可完全访问源代码；可在任何 LLM 上运行、与模型无关，因此没有任何单一供应商的路线图能左右该系统；按使用量计费，无按席位定价；并且可部署在任何地方——机构云、本地部署、GovCloud 或完全物理隔离的网络。

访问控制与机构现有的身份基础设施绑定，且每一次交互都可审计。

ibl.ai 是一家位于纽约州纽约市的家族拥有和经营的企业——是一家总部位于美国、由本国所有的长期合作伙伴，而不是卖完许可证就一走了之的供应商。

对于那些要权衡一个系统历经多届政府后仍由谁负责的机构而言，这是一个实质性考量，而非一句营销话术。

相关阅读：面向机构的数字主权与模型无关基础设施。

资料来源：联邦招聘指导方针及推行情况来自 Federal News Network 和 CBS News。

相关内容：前沿部署工程：四层 Agent 技术栈——以配置、评测、治理和模拟清单的形式呈现同一论点。